基于多相关日场景生成的充电负荷区间预测方法技术

本发明专利技术公开了基于多相关日场景生成的充电负荷区间预测方法，具体按照以下步骤实施：步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；步骤2、以多相关日场景集为基础，构建基于β‑VAE的EV充电负荷场景生成模型，生成海量充电场景；步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。解决了现有基于模型驱动的预测方法中存在较多假设条件，使得EV充电行为的分析偏于主观的问题；获得覆盖率高、宽度窄的预测区间。

【技术实现步骤摘要】
基于多相关日场景生成的充电负荷区间预测方法
本专利技术属于EV充电负荷预测
，具体涉及基于多相关日场景生成的充电负荷区间预测方法。
技术介绍
随着微网内EV充电负荷渗透率不断增加，具有强随机性的充电负荷严重影响了微网系统运行的可靠性与经济性。因此，EV充电负荷预测是进行微网规划与调度、运行风险评估、EV与微网双向互动等研究的基础。现有EV充电负荷预测多基于模型驱动，主要有以下研究：一、通过分析EV每天最晚回家时间分布，计及不同类型EV影响，采用蒙特卡洛(MonteCarol，MC)方法抽取起始充电时间进行充电负荷预测。二、对传统汽车用户的行驶规律进行分析，采用MC方法建立了考虑EV类型、渗透率、充电情景等因素的规模化充电需求模型。三、考虑交通路网约束，分析EV用户行车轨迹特性，模拟1天内的充电负荷时空分布特性。四、以排队论为理论基础，假设EV抵达充电站的时间服从泊松分布，开展充电负荷预测。五、采用停车生成模型预测停车需求，建立EV停车时空分布模型，在基础上开展充电负荷预测。六、针对EV充电负荷时空随机性的问题，考虑了实时温度与路况本文档来自技高网...

【技术保护点】
1.基于多相关日场景生成的充电负荷区间预测方法，其特征在于，具体按照以下步骤实施：/n步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；/n步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；/n步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；/n步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。/n

【技术特征摘要】
1.基于多相关日场景生成的充电负荷区间预测方法，其特征在于，具体按照以下步骤实施：
步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；
步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；
步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；
步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。


2.根据权利要求1所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤1具体过程为：
步骤1.1、根据SR相关系数公式计算待预测日与历史各日EV充电行为的日间相关性，确定极强相关日；
步骤1.2、按时间顺序选取待预测日的历史十日内极强相关的EV充电负荷，构成多相关日场景集。


3.根据权利要求2所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤1.1中所述SR相关系数公式如下：



式中:为历史第d-i日与待预测日d间的SR相关系数，的取值范围为[-1,1]；At为两日间采样点t之间的等级之差；n为样本容量，n＝96；
当代表极强相关。


4.根据权利要求1所述基于多相关日场景生成的充电负荷区间预测方法，其特征在于，步骤2具体过程为：
取编码器的识别模型为qΦ(z|x)，编码器...

【专利技术属性】
技术研发人员：黄南天，刘德宝，刘宇航，蔡国伟，胡乾坤，姜雨晴，陈庆珠，赵文广，高旭，贺庆奎，郭笑林，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22